基于深度学习的板厚检测系统及方法与流程

本发明涉及深度学习和pcb板厚检测领域，特别涉及一种基于深度学习的板厚检测系统及方法。

背景技术：

1、pcb背钻产品孔壁较为脆弱，板面精度要求高。传统接触式测厚方式通常需要测头接触板面，在检测过程中可能造成板面划伤、压痕、孔壁变形或局部污染，尤其在背钻孔周边、薄介质层区域和高精度产品中风险更高。

2、随着pcb生产向自动化、大批量和高精度方向发展，检测设备需要在不接触板面的情况下快速获取板厚、残厚和介质层厚度，并将检测结果与背钻深度补偿、品质判定和生产追溯系统联动。因此，行业内需要一种无损、高速、高精度、可适配背钻场景的非接触式板厚检测方法。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于深度学习的板厚检测系统及方法，能够实现非接触式背钻残厚的在线精准检测与工艺闭环。

2、本发明实施例一方面提供一种基于深度学习的板厚检测系统，包括：数据采集模块，用于同步采集电路板被测区域的激光位移信号和视觉定位图像；所述激光位移信号包括上表面传感器采集的上表面高度信号和下表面传感器采集的下表面高度信号，所述视觉定位图像用于确定背钻孔的理论检测坐标；特征工程模块，用于对所述激光位移信号进行预处理并提取厚度特征，以及从所述视觉定位图像中提取背钻孔实际孔位与理论坐标的位置偏移特征；关联建模模块，用于将所述厚度特征和所述位置偏移特征输入深度学习模型，输出当前检测点的背钻残厚预测值；所述深度学习模型采用孪生网络架构，包括查询分支和支持分支，所述查询分支用于提取当前待测点的特征向量，所述支持分支用于提取预设的正常区原型样本、欠钻风险区原型样本和过钻风险区原型样本的特征向量，所述查询分支与所述支持分支共享网络权重，所述深度学习模型通过计算查询分支输出特征向量与各原型特征向量之间的距离相似度，基于相似度加权输出残厚预测值；智能决策模块，用于根据所述残厚预测值与预设规格限的比较结果，以及所述位置偏移特征，解耦生成下钻深度修正补偿值；执行反馈模块，用于将所述下钻深度修正补偿值发送至背钻设备控制器，以调整后续钻孔参数；其中，所述深度学习模型的训练采用物理信息引导的数据增强和物理约束损失函数，所述物理信息引导的数据增强根据电路板厚度的先验分布对所述激光位移信号施加厚度偏移量以扩充训练样本，所述物理约束损失函数用于约束所述深度学习模型的预测输出符合电路板层叠结构的物理规律。

3、根据本发明的一些实施例，所述物理信息引导的数据增强还包括：根据铜箔表面反射干扰、板材颜色差异和环境光变化的干扰模型，对所述激光位移信号注入典型干扰信号，生成受干扰条件下的仿真训练样本；所述典型干扰包括模拟铜箔镜面反射的尖峰噪声、模拟不同反射率板材的信号幅值缩放和模拟环境光变化的高斯噪声。

4、根据本发明的一些实施例，所述物理约束损失函数为：

5、；

6、为残厚预测值与真实值之间的回归损失，为相邻检测点厚度预测值的平滑性约束损失，为物理一致性约束损失，用于约束预测残厚值小于总板厚预测值且各层厚度预测值在预设物理合理范围内，和为权重系数。

7、根据本发明的一些实施例，所述特征工程模块对所述激光位移信号的预处理包括滤波去噪和上下传感器信号时空对齐，对所述视觉定位图像进行尺寸归一化；所述厚度特征包括总板厚特征、铜箔界面特征和介质层厚度特征。

8、根据本发明的一些实施例，所述查询分支和所述支持分支的特征提取器采用一维卷积神经网络结构，用于提取所述激光位移信号的时序特征；所述特征提取器中还嵌入有se注意力模块，用于对不同通道特征进行自适应加权。

9、根据本发明的一些实施例，所述关联建模模块还包括多模态特征融合层，采用交叉注意力机制将所述孪生网络输出的激光位移信号特征、所述视觉定位图像的特征以及工艺参数特征进行深度融合。

10、根据本发明的一些实施例，所述特征工程模块还包括标定补偿单元，用于采用标准量块对激光位移传感器进行逐点标定，并对传感器安装倾角误差、上下传感器平行度误差和温度漂移进行几何补偿。

11、根据本发明的一些实施例，所述关联建模模块还包括背钻有效区域识别单元，用于根据钻带坐标提取背钻孔中心位置，将孔中心预设半径范围设置为有效检测区域，并根据激光回波强度和信号连续性过滤孔内无铜区域和空洞区域。

12、根据本发明的一些实施例，所述系统还包括分层厚度解析模块，用于根据所述激光位移信号中的信号梯度突变点识别电路板的基材层、铜箔层和树脂层界面位置，并输出总板厚、单层铜厚、介质层厚度和背钻残厚。

13、本发明实施例另一方面提供一种基于深度学习的板厚检测方法，包括以下步骤：步骤s100、同步采集电路板被测区域的激光位移信号和视觉定位图像；所述激光位移信号包括上表面传感器采集的上表面高度信号和下表面传感器采集的下表面高度信号，所述视觉定位图像用于确定背钻孔的理论检测坐标；步骤s200、对所述激光位移信号进行预处理并提取厚度特征，以及从所述视觉定位图像中提取背钻孔实际孔位与理论坐标的位置偏移特征；步骤s300、将所述厚度特征和所述位置偏移特征输入深度学习模型，输出当前检测点的背钻残厚预测值；所述深度学习模型采用孪生网络架构，包括查询分支和支持分支，所述查询分支用于提取当前待测点的特征向量，所述支持分支用于提取预设的正常区原型样本、欠钻风险区原型样本和过钻风险区原型样本的特征向量，所述查询分支与所述支持分支共享网络权重，所述深度学习模型通过计算查询分支输出特征向量与各原型特征向量之间的距离相似度，基于相似度加权输出残厚预测值；步骤s400、根据所述残厚预测值与预设规格限的比较结果，以及所述位置偏移特征，解耦生成下钻深度修正补偿值；步骤s500、将所述下钻深度修正补偿值发送至背钻设备控制器，以调整后续钻孔参数；其中，所述深度学习模型的训练采用物理信息引导的数据增强和物理约束损失函数，所述物理信息引导的数据增强根据电路板厚度的先验分布对所述激光位移信号施加厚度偏移量以扩充训练样本，所述物理约束损失函数用于约束所述深度学习模型的预测输出符合电路板层叠结构的物理规律。

14、本发明实施例至少实现以下有益效果：（1）采用非接触方式采集板厚数据，避免划伤板面、压伤孔壁或造成压痕；（2）通过孪生网络架构解决小样本条件下的残厚预测问题；（3）通过物理信息引导的数据增强和物理约束损失函数确保预测符合物理规律；（4）通过解耦生成下钻深度修正补偿值，实现检测与生产的协同闭环；（5）易于集成到自动化产线，并可与背钻深度补偿系统对接。

15、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

1.一种基于深度学习的板厚检测系统，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的板厚检测系统，其特征在于，所述物理信息引导的数据增强还包括：根据铜箔表面反射干扰、板材颜色差异和环境光变化的干扰模型，对所述激光位移信号注入典型干扰信号，生成受干扰条件下的仿真训练样本；典型干扰信号包括模拟铜箔镜面反射的尖峰噪声、模拟不同反射率板材的信号幅值缩放和模拟环境光变化的高斯噪声。

3.根据权利要求1所述的基于深度学习的板厚检测系统，其特征在于，所述物理约束损失函数为：

4.根据权利要求1所述的基于深度学习的板厚检测系统，其特征在于，所述特征工程模块对所述激光位移信号的预处理包括滤波去噪和上下传感器信号时空对齐，对所述视觉定位图像进行尺寸归一化；所述厚度特征包括总板厚特征、铜箔界面特征和介质层厚度特征。

5.根据权利要求1所述的基于深度学习的板厚检测系统，其特征在于，所述查询分支和所述支持分支的特征提取器采用一维卷积神经网络结构，用于提取所述激光位移信号的时序特征；所述特征提取器中还嵌入有se注意力模块，用于对不同通道特征进行自适应加权。

6.根据权利要求1所述的基于深度学习的板厚检测系统，其特征在于，所述关联建模模块还包括多模态特征融合层，采用交叉注意力机制将孪生网络输出的激光位移信号特征、所述视觉定位图像的特征以及工艺参数特征进行深度融合。

7.根据权利要求1所述的基于深度学习的板厚检测系统，其特征在于，所述特征工程模块还包括标定补偿单元，用于采用标准量块对激光位移传感器进行逐点标定，并对传感器安装倾角误差、上下传感器平行度误差和温度漂移进行几何补偿。

8.根据权利要求1所述的基于深度学习的板厚检测系统，其特征在于，所述关联建模模块还包括背钻有效区域识别单元，用于根据钻带坐标提取背钻孔中心位置，将孔中心预设半径范围设置为有效检测区域，并根据激光回波强度和信号连续性过滤孔内无铜区域和空洞区域。

9.根据权利要求1至8中任一项所述的基于深度学习的板厚检测系统，其特征在于，所述系统还包括分层厚度解析模块，用于根据所述激光位移信号中的信号梯度突变点识别电路板的基材层、铜箔层和树脂层界面位置，并输出总板厚、单层铜厚、介质层厚度和背钻残厚。

10.一种基于深度学习的板厚检测方法，用于如权利要求1至8任一项所述的系统，其特征在于，包括以下步骤：